基于深度学习的换道行为建模与分析
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 换道模型的国内外研究现状 | 第12-15页 |
| 1.2.1 换道决策模型研究现状 | 第12-13页 |
| 1.2.2 换道执行模型研究现状 | 第13-14页 |
| 1.2.3 研究现状总结 | 第14-15页 |
| 1.3 深度学习在交通领域的应用 | 第15页 |
| 1.4 主要研究内容 | 第15-16页 |
| 1.5 技术路线图 | 第16-17页 |
| 2 换道行为分析及数据提取 | 第17-31页 |
| 2.1 换道行为 | 第17-20页 |
| 2.1.1 换道行为描述 | 第17页 |
| 2.1.2 换道类型 | 第17-18页 |
| 2.1.3 换道过程 | 第18-20页 |
| 2.2 换道行为的影响因素 | 第20-21页 |
| 2.3 数据提取 | 第21-29页 |
| 2.3.1 NGSIM数据 | 第21-22页 |
| 2.3.2 轨迹数据选取 | 第22-24页 |
| 2.3.3 换道决策数据预处理 | 第24-26页 |
| 2.3.4 换道执行数据预处理 | 第26-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 基于深度学习的换道决策模型 | 第31-53页 |
| 3.1 基于DBN的换道决策模型 | 第31-44页 |
| 3.1.1 深度置信网络 | 第31-36页 |
| 3.1.2 模型构建 | 第36-42页 |
| 3.1.3 训练过程 | 第42页 |
| 3.1.4 测试结果 | 第42-44页 |
| 3.2 基于BP神经网络的换道决策模型 | 第44-48页 |
| 3.2.1 BP神经网络 | 第44-45页 |
| 3.2.2 模型构建 | 第45-46页 |
| 3.2.3 测试结果 | 第46-48页 |
| 3.3 训练结果对比 | 第48-49页 |
| 3.4 变量影响分析 | 第49-51页 |
| 3.5 本章小结 | 第51-53页 |
| 4 基于深度学习的换道执行模型 | 第53-71页 |
| 4.1 LSTM神经网络 | 第53-55页 |
| 4.1.1 循环神经网络 | 第53-54页 |
| 4.1.2 LSTM神经网络 | 第54-55页 |
| 4.2 模型构建 | 第55-64页 |
| 4.2.1 训练数据和测试数据 | 第56页 |
| 4.2.2 评价指标 | 第56页 |
| 4.2.3 LSTM网络输入输出 | 第56-59页 |
| 4.2.4 模型结构 | 第59-62页 |
| 4.2.5 参数确定 | 第62-64页 |
| 4.3 测试结果 | 第64-65页 |
| 4.4 基于BP神经网络的换道执行模型 | 第65-68页 |
| 4.4.1 BP神经网络结构 | 第65-66页 |
| 4.4.2 测试结果对比 | 第66-68页 |
| 4.5 换道轨迹分析 | 第68-70页 |
| 4.6 本章小结 | 第70-71页 |
| 5 结论与展望 | 第71-73页 |
| 5.1 主要研究结论 | 第71-72页 |
| 5.2 论文展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第77-81页 |
| 学位论文数据集 | 第81页 |
